Обсуждение статьи "Поиск сезонных закономерностей на валютном рынке с помощью алгоритма CatBoost"
Опубликована статья Поиск сезонных закономерностей на валютном рынке с помощью алгоритма CatBoost:
Автор: Maxim Dmitrievsky
Отлично, Максим!
Для примера, приведу графики от одного из Волшебников, который стрижет наличные на Форексе. Вот они:
https://smart-lab.ru/blog/666149.php
Очень сильно похоже...
Значит, ты идешь, примерно, по той же Дороге к Граалю.
- smart-lab.ru
Отлично, Максим!
Для примера, приведу графики от одного из Волшебников, который стрижет наличные на Форексе. Вот они:
https://smart-lab.ru/blog/666149.php
Очень сильно похоже...
Значит, ты идешь, примерно, по той же Дороге к Граалю.
ну, там непонятно о чем речь
если брать машинное обучение на форексе, то данных для обучения всегда будет не хватать. Это ключевой момент, который нужно обходить.
В статьях я частично его обхожу, генерируя новые правдоподобные семплы, но можно развить тему.ну, там непонятно о чем речь
если брать машинное обучение на форексе, то данных для обучения всегда будет не хватать. Это ключевой момент, который нужно обходить.
Ну, этот Волшебник убежден, что котировки на Форексе - это искусственная псевдослучайная последовательность, искаженная во времени. Тоже работает с временными фильтрами, если я правильно понял Его экспрессивные речи.
Этих волшебников пора брать за грудки и выпытывать все до последней капли :)
Прочитал. Хороший слог.)
Вопрос возник, а какие фильтры, кроме временных еще могут быть разумны. Фильтры по приращениям, скорости движения цены, паттерны свечей или тиков гораздо более случайны чем временные. Предположение, что в одинаковое время цена ведет себя одинаковей)) чем в другие периоды времени выглядит логичным. Что не скажешь про другие признаки.
Даже новости выходят регулярно, а это привязка ко времени.
Прочитал. Хороший слог.)
Вопрос возник, а какие фильтры, кроме временных еще могут быть разумны. Фильтры по приращениям, скорости движения цены, паттерны свечей или тиков гораздо более случайны чем временные. Предположение, что в одинаковое время цена ведет себя одинаковей)) чем в другие периоды времени выглядит логичным. Что не скажешь про другие признаки.
Даже новости выходят регулярно, а это привязка ко времени.
фильтры по дисперсии приращений неплохо работают, для заданной глубины истории. Может есть смысл энтропийные фильтры, которые оценивают регулярность (предсказуемость) ряда текущую. Можно и новостные, надо откуда-то загрузить
если есть какие-то любые другие предположения, их легко встроить и проверить, в пару строк кодафильтры по дисперсии приращений неплохо работают, для заданной глубины истории. Можно и новостные, надо откуда-то загрузить
если есть какие-то любые другие предположения, их легко встроить и проверитьВот как раз другие предположения критики не держат. Приращения должны работать, но там по любому процент ложных срабатываний будет больше. Если только наложить на них временной фильтр.)
С новостями сложно в плане подготовки данных, их ранжирования и вообще разделения и понимания как это делать.
Вот как раз другие предположения критики не держат. Приращения должны работать, но там по любому процент ложных срабатываний будет больше. Если только наложить на них временной фильтр.)
С новостями сложно в плане подготовки данных, их ранжирования и вообще разделения и понимания как это делать.
С новостями сложнее, да, поэтому все никак не возьмусь
Максим а вы учитываете спред при тестах в своем питон коде ? Скажем если модель засунуть в mql5 бота, в тестере MT5 она покажет такой же график или похожий ? Просто интересно матожидание в пятизначных пунктах какое получается у этих моделей. По графикам там у вас если взять самый лучший первый то там 5 пипс за 600 сделок это получается 50 пунктов в пятизнаке на 600 сделок и того 0.083 пятизначных пункта на одну сделку. Или может быть я что то не так понял ?
спред учитывается в кастомном тестере, потом модели проверяются в MT5 тестере (см. 1-ю статью из цикла)
т.е. логика легко (относительно) переносится в MT5, почти на автомате.
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Поиск сезонных закономерностей на валютном рынке с помощью алгоритма CatBoost:
В статье показана возможность создания моделей машинного обучения с временными фильтрами и раскрыта эффективность такого подхода. Теперь можно исключить человеческий фактор, просто сказав модели: "Хочу, чтобы ты торговала в определенный час определенного дня недели". А поиск закономерностей возложить на плечи алгоритма.
В функции можно задать список часов, которые необходимо проанализировать. Здесь заданы все 24 часа. Для чистоты эксперимента я выключил случайный семплинг, поставив min и max (минимальный и максимальный горизонт открытой позиции) равными 15. Переменная iterations отвечает за количество переобучений для каждого часа. Увеличив этот параметр, можно получить более достоверную статистику. После завершения работы, функция отобразит следующий график:
По оси X расположен порядковый номер часа. По оси Y представлены оценки R^2 для каждой итерации (было выбрано 10 итераций, то есть переобучений модели для каждого часа). Хорошо видно, что для 4,5,6 часов все проходы расположены кучнее, что придает больше уверенности в качестве найденной закономерности. Здесь принцип выбора достаточно простой — чем выше и кучнее точки, тем лучше модель. Например, на интервале 9-15 график показывает большой разброс, а среднее качество моделей опускается до уровня 0.6. Выбрав интересующие часы, можно заново переобучить модель и посмотреть её результаты в кастомном тестере.
Автор: Maxim Dmitrievsky